目标检测、识别、跟踪等计算机视觉算法近些年来获得了快速的发展,并被广泛应用于智能交通、公共安全和环境保护等领域的监控系统中。然而,在户外应用场景下,特别是面对雨雾等恶劣天气状况时,这类监控系统常由于图像降质而功能失效。如何克服恶劣天气的影响,提高图像质量,扩展现有视觉系统的适用范围是亟待解决的重要问题,具有重要的理论意义和使用价值。虽然现有的图像清晰化方法取得了 一些富有成效的结果,但是在面对复杂的雨雾天气是,这些算法仍然无法满足对图像修复质量以及处理速度的要求,尤其在局部区域平滑和细节纹理保护的问题上,亟待更先进的理论和技术方案被提出。除此之外,对于深度学习去雨方法,多个任务损失之间的协同作用与损失函数的鲁棒性都是值得关注的研究方向。本文从以上问题入手,研究基于深度学习的单幅图像去雨方法。具体地,本文在雨天图像清晰化方面做了如下工作:(1)提出有别于现有方法的描述图像质量的多约束目标,通过对图像内容、边缘、局部纹理自相似三方面进行定量描述并设计相应的约束损失,增强训练过程中对模型求解空间的紧性限制,从而降低预测图像的模糊失真程度;(2)提出两种动态加权算法用于多任务系数设定,分别从梯度平衡和损失平衡的角度解决超参数设置的问题,进一步挖掘出模型潜力;(3)提出一种全新的兼具保边与平滑特性的损失函数,通过改变原有损失函数不加区别的统计均值特性,提高模型保护背景细节纹理的能力;(4)在进行目标检测前,通过对有雨图像进行预处理证明本文研究的实际价值。